Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Библиотека: transformers
Опубликована: 12 июл 2026

Ссылки

Hugging Face

classifier-chapter4

sq-ss

Классификация текстаТекст → label

Дообученная англоязычная DistilBERT-модель для классификации текстов.

14скачиваний за 30 дней0лайковвеса обновлены12 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

classifier-chapter4 — модель классификации текста на базе DistilBERT, дообученная на неизвестном наборе данных. Она предназначена для присвоения тексту классов; в README приведены результаты оценки: accuracy 0,9182 и F1 0,9182. Модель использует архитектуру DistilBertForSequenceClassification, библиотеку Transformers и формат весов safetensors; базовая модель поддерживает контекст до 512 токенов.

Базовая модель DistilBERT uncased рассчитана на английский язык. Репозиторий распространяется по лицензии Apache-2.0. Метки классов, состав обучающих данных и ограничения применения в карточке не раскрыты, поэтому результаты нельзя уверенно переносить на другие наборы данных или сценарии.

Сценарии применения

Классификация англоязычных текстов по классам, заданным обучающим набором

Ограничения

Обучающий набор данных и метки классов не описаны, поэтому целевую предметную область определить нельзя. Приведённые метрики относятся только к указанной оценочной выборке.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

classifier-chapter4

This model is a fine-tuned version of distilbert/distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.2471
Accuracy: 0.9182
F1: 0.9182

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 2

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1
No log	1.0	313	0.2822	0.9055	0.9051
0.3078	2.0	626	0.2471	0.9182	0.9182

Framework versions

Transformers 5.13.0
Pytorch 2.13.0+cu126
Datasets 5.0.0
Tokenizers 0.22.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: f90e75d